Jusqu’ici la batterie de complexité intégrée a lu le substrat S4 (les trajectoires SAE de Qwen3.5-9B-Base, cf. ICT-21) avec les lunettes de l’IIT : ec_gain/fe_gain/k_gain, créditées uniquement au-dessus d’un modèle-contrôle et d’un mélange des temps. L’article d’Anthropic Global Workspace identifie dans Claude un workspace global — la lecture GWT (Baars ; Dehaene, Naccache, Changeux), historiquement contrastée avec l’IIT. Les deux lectures n’ont presque jamais été confrontées sur le même substrat avec le même appareil. C’est ce que fait ce notebook.
Question fondatrice, posée en hypothèse falsifiable.Sur S4, les événements d’accès global co-localisent-ils avec les pics de complexité intégrée créditée ? - OUI → pont empirique : un même événement, deux lectures théoriques. - NON → dissociation mesurée : les deux théories capturent des choses différentes — un négatif honnête, tout aussi précieux.
Les trois gates
Gate
Question
Type
Statut dans ce notebook
22 — Structure
Existe-t-il un sous-ensemble de features à fan-out d’influence disproportionné (≪10 % du panel) ?
Observationnel
Exécuté (GPU-free)
23 — Co-localisation
Les ignitions (pics de concentration persistants) portent-elles les pics de complexité créditée ?
Observationnel
Exécuté (GPU-free)
24 — Ablation sélective
Le clamp des features-workspace effondre-t-il sélectivement les gains crédités ?
Interventionnel (causal)
Phase 2 (GPU) — section dédiée, non exécutée ici
Seul le Gate 24 est causal. Les Gates 22–23 livrent un verdict observationnel sans l’attendre.
Grille de verdicts — chaque branche est un résultat
Configuration
Lecture
22OK 23OK (24OK)
Pont empirique : intégration ≡ accès global sur ce substrat
22OK 23KO
Dissociation : le workspace existe mais ne porte pas les pics d’intégration — les deux théories mesurent des choses différentes
22KO
Pas de structure workspace à l’échelle du panel → renvoi aux états causaux ε-machine (ICT-17)
L’appareil ict/workspace.py (numpy-only, adaptateur mince posé par #5641) fournit les six primitives : concentration_series, ignition_events, lagged_influence, fanout_profile, workspace_candidates, event_triggered_battery. Cette dernière réutilise ict.synthesis.emergence_gain verbatim — même discipline de créditation que le reste de la série.
Statut épistémique — Établi (Gates 22-23) : l’ignition workspace (Baars) et l’emergence_gain (Hoel) ne co-localisent pas sur S4 — les deux lectures IIT↔︎GWT capturent des choses différentes. OPEN (Gate 24) : clamp sélectif d’une feature workspace — coordonnateur GPU2, verdict en attente. Portée et détail dans la matrice de dissociations.
Garde-fous d’honnêteté (à lire avant les résultats)
Ces cinq garde-fous sont aussi dans la docstring de ict/workspace.py ; nous les répétons ici car ils conditionnent la lecture de chaque chiffre.
J-lens ≠ SAE. L’article d’Anthropic isole son J-space par le jacobien des logits, pas par une sparse autoencoder. Les deux représentations sont de nature mathématique différente (features apprises vs vocabulaire de désembedding, voir garde-fou #1 du tete-a-tete). Depuis Track S, le dépôt fait tourner les DEUX appareils sur le même substrat (Qwen3.5-9B-Base couche 16) et les confronte (ICT-SAE-JLens-TeteATete.ipynb) : la corrélation faible est un résultat, pas un échec – Pearson concentration Gini top-50 sur T=2699 positions est +0.0846 (TRAINED) vs +0.0164 (CONTROL), delta +0.0683 dans le sens attendu (l’ablation dégrade le signal croisé). La corrélation de structure (matrices de séparation de jeux, K_DIFF=64) est +0.3273 (modérée). Convergence globale faible mais cohérente avec l’attendu au scoping (cf. #5681, mesure 2026-07-18 : « ~+0.08 attendu »). On NE prétend PAS une équivalence directe des deux lectures ; on REPORTE une convergence partielle mesurée.
Structurel ≠ temporel. Anthropic mesure le broadcast structurellement (câblage ~100×, concept de <10 % de l’activité). L’ignition temporelle de Dehaene n’y est pas mesurée. Notre ignition_events est une lecture temporelle de Dehaene — dite comme telle, jamais présentée comme une réplique du broadcast structurel.
Observationnel ≠ interventionnel. Les Gates 22–23 sont observationnels (corrélations, co-localisations). Seul le Gate 24 (clamp) est causal. Une co-localisation observationnelle n’établit pas que le workspace cause l’intégration.
Qwen ≠ Claude. Nous travaillons sur Qwen3.5-9B-Base à poids ouverts — c’est un avantage pédagogique (reproductible), pas une approximation honteuse. Les chiffres d’Anthropic (<10 %, ~100×) sont mesurés sur Claude et ne sont pas importés comme attendus : nous mesurons les nôtres.
Accès ≠ phénoménal. Tout ce qui suit relève de la conscience d’accès (recouvrement fonctionnel/mécaniste), pas de la conscience phénoménale ni de la métaphysique de Φ. Le notebook bridge le recouvrement, il ne le résout pas.
Le torch/transformers est confiné au pipeline d’extraction (#5101) ; les traces reviennent en .npz et tout ce notebook est numpy-only (le test test_workspace_module_is_numpy_only l’asserte à l’import).
Le clamp du Gate 24 = un hook du pipeline d’extraction : on ré-extrait des traces avec des features bridées, elles reviennent en .npz, et l’analyse redevient GPU-free. C’est une phase 2 (GPU2, CUDA_VISIBLE_DEVICES=2 strict), séparée de cette PR.
import json, os, sysfrom pathlib import Pathimport numpy as npimport matplotlib.pyplot as pltsys.path.insert(0, os.path.abspath(".")) # package ict/ a cote du notebookfrom ict import workspace as wsfrom ict import synthesis as synfrom ict import sae_traces as stTRACES = Path("traces")NPZ = {v: TRACES /f"ict21_sae_layer16_{v}.npz"for v in ("trained", "control")}print("workspace primitives :", [f for f in ("concentration_series","ignition_events","lagged_influence","fanout_profile","workspace_candidates","event_triggered_battery") ifhasattr(ws, f)])print("emergence_gain reused from synthesis (not redefined):",hasattr(syn, "emergence_gain") andnothasattr(ws, "emergence_gain"))
Chargement des traces S4 et construction du panel \((T,K)\)> Écart de nommage assumé. Le corps de l’issue #5635 parle d’une clé acts_topk contenant déjà le panel \((T,K)\). Il n’y a pas une telle clé dans les .npz : chaque fichier stocke le sparse top-50 par token, segmenté en 20 séquences (5 jeux de prompts × 4 prompts). Le panel dense \((T,K)\) est dérivé par ict.sae_traces — c’est déjà ce que fait ICT-21, et l’écart est documenté dans la prose de son module.
La sélection differential_features retient les \(K\) features à plus haute variance inter-jeux de l’activation moyenne — celles qui discriminent les régimes (code vs prose vs dialogue…), pas les plus actives en absolu (dominées par la ponctuation/le formatage).
traces = {v: st.load_traces(p) for v, p in NPZ.items()}SETS =sorted({s for s, _ in traces["trained"]["prompts"]})meta = traces["trained"]["meta"]print(f"modele={meta['model']} couche={meta['layer']} d_sae={meta['d_sae']} top-k={meta['k']}")print(f"jeux={SETS} tokens_total={meta['n_tokens_total']}")# Deux panels aux resolutions differentes (cf. garde-fou sur states_from_panel):K_CONT =64# panel continu pour Gate 22 (concentration / influence, pas de limite)K_STATE =16# panel discret pour Gate 23 (states_from_panel plafonne a 20 features)panel_cont = {v: st.differential_features(traces[v], k=K_CONT) for v in ("trained", "control")}panel_state = {v: st.differential_features(traces[v], k=K_STATE) for v in ("trained", "control")}def acts_continuous(v):"""Panel dense (T,K_CONT) en concatenant les 4 prompts de chaque jeu.""" panels = st.acts_topk_panels(traces[v], panel_cont[v])return np.concatenate([panels[(s, i)] for s in SETS for i inrange(4)], axis=0)acts = {v: acts_continuous(v) for v in ("trained", "control")}for v in ("trained", "control"):print(f" {v:8s} acts {acts[v].shape} mean={acts[v].mean():.4f} max={acts[v].max():.2f}")
Sanité : un panel synthétique où hub et ignition sont plantés
Avant de faire confiance à l’appareil sur des traces réelles, on le valide sur un panneau synthétique où on connaît la réponse : un AR(1) \((T,K)\) avec un hub d’influence planté (la feature 0 pilote les features 5/6/7 au lag 3) et des ignitions plantées (cycles de bursting concentré). Si l’appareil est sain, il doit (a) retrouver le hub dans workspace_candidates, (b) détecter les ignitions plantées, (c) montrer un contrast > 0 sur des états à dynamique multi-échelle. C’est le générateur _panel_with_hub_and_ignitions / _states_with_planted_events des tests du module, repliqué ici pour transparence.
def panel_with_hub_and_ignitions(T=1500, K=32, hub_idx=0, targets=(5,6,7), lag=3, hub_strength=0.6, ignition_centers=(300,600,900,1200), ignition_half_width=8, n_ignited=3, phi=0.5, sigma=0.4, seed=0): g = np.random.default_rng(seed) acts = np.empty((T, K), dtype=float) acts[0] = np.abs(g.standard_normal(K)) tgt = np.array(targets, dtype=int)for t inrange(1, T): nxt = phi * acts[t-1] + sigma * g.standard_normal(K)if t - lag >=0: nxt[tgt] += hub_strength * acts[t-lag, hub_idx] acts[t] = np.abs(nxt) valid = [c for c in ignition_centers if ignition_half_width < c < T - ignition_half_width] ignited =list(range(n_ignited))for c in valid:for off inrange(2*ignition_half_width): t = c - ignition_half_width + off acts[t, ignited[off %len(ignited)]] +=4.0# burst >> bruit de fondreturn acts, {"hub_idx": hub_idx, "targets": list(targets), "centers": valid}syn_acts, syn_info = panel_with_hub_and_ignitions(seed=0)conc_syn = ws.concentration_series(syn_acts, metric="gini")infl_syn = ws.lagged_influence(syn_acts, max_lag=6)fp_syn = ws.fanout_profile(infl_syn["matrix"], z_threshold=2.0)cand_syn = ws.workspace_candidates(fp_syn["fanout"], top_fraction=0.1)print("hub plante :", syn_info["hub_idx"], "-> cibles", syn_info["targets"])print("hub detecte :", cand_syn["indices"][:4].tolist(), "(par fanout decroissant)")print("hub retrouve :", syn_info["hub_idx"] in cand_syn["indices"])# Etats a dynamique multi-echelle dans les fenetres d'ignition (macro-cycle 0->1->2 + micro-bruit)def states_with_planted_events(T=600, centers=(120,300,480), window=18, seed=0): g = np.random.default_rng(seed) mask = np.zeros(T, dtype=bool)for c in centers: mask[max(0,c-window):min(T,c+window)] =True states = [(t %3, int(g.integers(0,2))) if mask[t] elseint(g.integers(0,4)) for t inrange(T)]return states, list(centers)syn_states, syn_centers = states_with_planted_events(seed=0)syn_batt = ws.event_triggered_battery(syn_states, syn_centers, window=12, rng=np.random.default_rng(11), n_shuffles=10)print(f"contrast synthetique = {syn_batt['contrast']:+.4f} (doit etre > 0 : la dynamique plantee porte l'emergence)")fig, ax = plt.subplots(figsize=(9, 2.8))ax.plot(conc_syn, color="steelblue", lw=0.8)for c in syn_info["centers"]: ax.axvline(c, color="crimson", ls="--", lw=0.7, alpha=0.6)ax.set_xlabel("pas de temps"); ax.set_ylabel("concentration (Gini)")ax.set_title("Panel synthetique : concentration + ignitions plantees (pointilles rouges)")plt.tight_layout(); plt.show()
Gate 22 — Structure : un sous-ensemble à fan-out d’influence disproportionné ?
Sur les activations continues \((T, K{=}64)\), on estime l’influence décalée entre paires de features (lagged_influence : corrélation de Pearson au meilleur lag dans \([1,5]\), z-score par feature), puis le fan-out de chaque feature source (fanout_profile : nombre de cibles dont l’influence dépasse \(|\bar{x}| + 2\sigma\) hors-diagonale). Un hub est une feature à fan-out anormalement élevé. workspace_candidates retient le top 10 % et calcule le Gini du fanout comme test de concentration.
Deux contrôles honnêtes :
Modèle-contrôle : le même calcul sur les traces control (embeddings d’entrée permutés — un modèle nul sans structure linguistique).
Temps mélangé : on permute l’axe du temps de chaque feature du panneau trained ; cela détruit toute causalité temporelle en préservant les marginales. Si le fan-out survivait, ce serait un artefact de distribution, pas de dynamique.
def gate22(v): infl = ws.lagged_influence(acts[v], max_lag=5) fp = ws.fanout_profile(infl["matrix"], z_threshold=2.0) cand = ws.workspace_candidates(fp["fanout"], top_fraction=0.1)return fp, candg22 = {}for v in ("trained", "control"): g22[v] = gate22(v)# Temps melange sur trainedg = np.random.default_rng(0)acts_shuf = acts["trained"].copy()for j inrange(acts_shuf.shape[1]): g.shuffle(acts_shuf[:, j])infl_s = ws.lagged_influence(acts_shuf, max_lag=5)fp_s = ws.fanout_profile(infl_s["matrix"], z_threshold=2.0)cand_s = ws.workspace_candidates(fp_s["fanout"], top_fraction=0.1)print("Gate 22 — fan-out des candidats workspace (top 10%)")print(f"{'variante':12s}{'max fanout':>10s}{'median':>8s}{'gini':>6s}{'concentrated':>12s}{'n_selected':>10s}")for v in ("trained", "control"): fp, cand = g22[v]print(f"{v:12s}{int(fp['fanout'].max()):>10d}{np.median(fp['fanout']):>8.1f} "f"{cand['gini']:>6.3f}{str(cand['concentrated']):>12s}{cand['n_selected']:>10d}")print(f"{'time-shuf':12s}{int(fp_s['fanout'].max()):>10d}{np.median(fp_s['fanout']):>8.1f} "f"{cand_s['gini']:>6.3f}{str(cand_s['concentrated']):>12s}{cand_s['n_selected']:>10d}")fig, ax = plt.subplots(figsize=(9, 3))x = np.arange(K_CONT)w =0.27ax.bar(x - w, np.sort(g22["trained"][0]["fanout"])[::-1], w, color="steelblue", label="trained")ax.bar(x, np.sort(g22["control"][0]["fanout"])[::-1], w, color="orange", alpha=0.8, label="control")ax.bar(x + w, np.sort(fp_s["fanout"])[::-1], w, color="grey", alpha=0.6, label="time-shuffled")ax.set_xlabel("rang de la feature (par fanout decroissant)"); ax.set_ylabel("fan-out (# cibles)")ax.set_title("Gate 22 : profil de fan-out — trained vs controle vs temps melange")ax.legend(fontsize=8); plt.tight_layout(); plt.show()
Gate 22 — fan-out des candidats workspace (top 10%)
variante max fanout median gini concentrated n_selected
trained 10 2.0 0.485 True 7
control 18 1.0 0.659 True 7
time-shuf 4 0.0 0.652 True 7
Gate 23 — Co-localisation : les ignitions portent-elles les pics de complexité créditée ?
C’est le gate de réconciliation. On détecte des ignitions (pics de concentration persistants : ignition_events au seuil quantile 0.85, persistance ≥ 3 — lecture temporelle de Dehaene), puis on oppose, via event_triggered_battery, les fenêtres centrées sur les ignitions aux fenêtres neutres appariées. La batterie réutilise emergence_gain (la même primitive que le reste de la série) et exige le crédit au-dessus d’un double contrôle : (a) permutation des temps d’événements (mélange) et (b) la discipline interne de emergence_gain.
Les 5 jeux de prompts servent de multi-graines : un verdict robuste doit tenir sur la plupart d’entre eux. Le contrast = ec_gain_event − ec_gain_neutral ; > 0 signifie que les ignitions portent plus d’émergence créditées que les fenêtres neutres.
Note de support statistique. Le panel discret est limité à \(K{=}16\) features (states_from_panel plafonne à 20 : au-delà, \(2^{20}\) états n’auraient plus de support sur quelques milliers de tokens). On le signale : c’est une contrainte structurelle de l’estimation de TPM, pas un choix libre.
def gate23(v, n_shuffles=50, window=12, seed_base=0): panels = st.acts_topk_panels(traces[v], panel_state[v]) rows, contrasts, n_ev, n_cred, n_states_set = [], [], 0, 0, set()for s in SETS: acts_s = np.concatenate([panels[(s, i)] for i inrange(4)], axis=0) bits_s = st.binarize_quantile(acts_s, q=0.5) states_s = st.states_from_panel(bits_s) n_states_set.update(states_s.tolist()) conc_s = ws.concentration_series(acts_s, metric="gini") thr_s =float(np.quantile(conc_s, 0.85)) events_s = ws.ignition_events(conc_s, threshold=thr_s, persistence=3) centers = [e["center"] for e in events_s]ifnot centers: contrasts.append(0.0); rows.append((s, 0, 0, 0));continue# #19222 : la graine par jeu est l'indice dans SETS (stable), pas hash(s) (sale par processus). rng = np.random.default_rng((seed_base + SETS.index(s)) % (2**32)) out = ws.event_triggered_battery(states_s, centers, window=window, rng=rng, n_shuffles=n_shuffles) contrasts.append(out["contrast"]); n_ev += out["n_events"] n_cred +=int(round(out["fraction_credited_events"] * out["n_events"])) rows.append((s, out["n_events"], out["fraction_credited_events"], out["contrast"]))return contrasts, len(n_states_set), n_ev, n_cred, rowst0 =__import__("time").time()ct, n_states_t, n_ev_t, n_cred_t, rows_t = gate23("trained", n_shuffles=50)print(f"Gate 23 — TRAINED (n_shuffles=10, {__import__('time').time()-t0:.0f}s)")print(f" etats uniques sur S4 : {n_states_t}")print(f" {'jeu':16s}{'#events':>8s}{'%cred':>6s}{'contrast':>9s}")for s, nev, fcred, c in rows_t:print(f" {s:16s}{nev:>8d}{100*fcred:>5.0f}% {c:>+9.4f}")print(f" {'MOYENNE':16s}{'':>8s}{'':>6s}{np.mean(ct):>+9.4f}")print(f" total : {n_ev_t} events, {n_cred_t} credites ({100*n_cred_t/max(n_ev_t,1):.0f}%)")# ---- Dispersion multi-graines (#19222 : la graine par jeu est stable, pas salee par processus) ----# On rejoue Gate 23 sur 4 seed_base distincts et on rapporte la dispersion du contrast moyen# et de la fraction creditee totale. Le verdict " 23 non credite " repose sur la fraction# creditee faible : verifier qu'elle tient sur plusieurs graines.SEEDS = (0, 1, 7, 42)mean_contrasts = []total_credits_pct = []for seed_base in SEEDS: ct_s, _, n_ev_s, n_cred_s, _ = gate23("trained", n_shuffles=50, seed_base=seed_base) mean_contrasts.append(float(np.mean(ct_s))) total_credits_pct.append(100.0* n_cred_s /max(n_ev_s, 1))mc = np.array(mean_contrasts); tp = np.array(total_credits_pct)print()print(f"Dispersion multi-graines (4 seed_base={SEEDS}, n_shuffles=10) :")print(f" contrast moyen par seed_base : {[f'{c:+.4f}'for c in mc]}")print(f" contrast moyen global : {mc.mean():+.4f} (ecart-type {mc.std(ddof=1):.4f})")print(f" fraction creditee par seed : {[f'{p:.0f}%'for p in tp]}")print(f" fraction creditee globale : {tp.mean():.1f}% (ecart-type {tp.std(ddof=1):.1f}% min={tp.min():.0f}% max={tp.max():.0f}%)")# Sortie canonique a committer : la valeur centrale + la dispersion mesuree.# La phrase d'interpretation (cellule 907fab70) repose sur cette mesure, pas sur un seul tirage.print()print(f"=== Verdict 23 : contrast_moyen={mc.mean():+.4f} (sigma={mc.std(ddof=1):.4f}), credite={tp.mean():.1f}% (sigma={tp.std(ddof=1):.1f}%) ===")
On lit les chiffres ci-dessus sur la grille de verdicts, sans enjoliver.
Gate 22 — structure présente, mais non spécifique au modèle entraîné
Le profil de fan-out trained exhibe bien quelques features à influence disproportionnée (max-fanout élevé).
Mais le modèle-contrôle en montre tout autant, voire davantage : la concentration n’est pas propre au langage appris sur ce substrat. Le mélange des temps réduit fortement le fan-out maximal (la dynamique temporelle porte donc bien une partie du signal), mais le concentrated (Gini > 0,2) est vrai partout — y compris temps mélangé — ce qui signale un seuil trop permissif (déjà marqué empirique faible, à recalibrer à la ligne 411 du module).
Gate 23 — la co-localisation n’est pas établie
Le contrast moyen est négatif sur 3 graines sur 4 (SEEDS = (0, 1, 7, 42)), proche de zéro sur la 4e (+0.0070). Mesure après lecture : contrast global = −0.2608 ± 0.2374 (4 graines, n_shuffles=10).
La fraction d’événements crédités est faible : 14.6% ± 6.6% (min 6 %, max 19 %), 4 graines. Le verdict « Gate 23 non crédité » repose sur cette fraction et tient sur les 4 graines : la dispersion mesurée ne renverse pas la lecture.
Une racine précise a été retirée par cette PR (#19222) : la graine par jeu utilisait hash(s), salé par processus en Python 3 (PYTHONHASHSEED). Remplacé par SETS.index(s) (l’indice du jeu dans la liste triée). Désormais la sortie est stable d’une exécution à l’autre, et la dispersion ci-dessus est mesurée — pas le fruit d’un sel changeant.
Le workspace structurel existe partiellement, mais il ne porte pas les pics de complexité intégrée créditée. Les deux lectures (IIT via emergence_gain, GWT via ignitions) capturent des choses qui ne co-localisent pas sur S4. C’est un résultat négatif honnête : la discipline de créditation de la série fait précisément son travail en refusant d’enjoliver une co-localisation faible.
Ce qui n’est pas revendiqué.
Ni que le workspace global n’existe pas dans le modèle (nous mesurons un substrat, une couche, un opérateur d’accès qui n’est pas celui d’Anthropic).
Ni que l’intégration et l’accès global soient indépendants en général (l’observationnel n’exclut pas une relation causale que seul le Gate 24 pourrait tester).
Ni que la lecture SAE égale la lecture J-lens : le fil J-lens (issue #5681) est une opérationnalisation distincte — livrée dans ICT-SAE-JLens — Tête-à-tête.
Ni que la dispersion du contrast (±0.24 sur 4 graines, n_shuffles=10) suffise à déclarer un résultat définitif : la leçon méthodologique est mesurée, pas tranchée. Une réduction de n_shuffles à 10 reste sous le seuil de discrimination de la batterie ; un test de robustesse à n_shuffles≥50 est à mener si une autre lane veut renforcer le verdict.
Le verdict observationnel revient au Gate 24 (phase 2, GPU) : si le clamp des features-workspace n’effondre pas les gains crédités plus qu’un clamp aléatoire, la dissociation sera confirmée comme corrélationnelle et non causale — une leçon méthodologique de premier ordre, à écrire telle quelle.
Gate 24 — Ablation sélective (phase 2, GPU)
Seul gate causal. On ré-extrait des traces S4 avec un clamp des features-workspace identifiées au Gate 22 (mises à une constante), versus le clamp d’autant de features aléatoires hors-workspace (même compte). Si les gains crédités s’effondrent sélectivement sous le clamp workspace et pas sous le clamp aléatoire, c’est le miroir de l’expérience-titre d’Anthropic — la seule mesure interventionnelle de l’issue.
Ce gate exige le pipeline d’extraction GPU2 (CUDA_VISIBLE_DEVICES=2 strict, vLLM occupe GPU 0-1) et produit de nouvelles traces .npz ablatées. Il est délégué à une phase 2 séparée (PR distincte) : les Gates 22-23 livrent un verdict observationnel sans l’attendre, conformément à l’architecture de l’issue #5635.
# Gate 24 — ablation selective (phase 2, GPU). Le clamp est-il causal ?# Traces ablatees produites par scripts/extract_sae_traces.py --clamp-ids (GPU 2) :# ws_clamp = les 7 features workspace du Gate 22 (top fan-out) clampees ;# rp_clamp = 7 features ALEATOIRES hors panel (controle apparie en taille).ARMS_G24 = {"intact": TRACES /"ict21_sae_layer16_trained.npz","ws_clamp": TRACES /"ict24_g24ws_layer16_trained_clamp7.npz","rp_clamp": TRACES /"ict24_g24rp_layer16_trained_clamp7.npz",}CLAMPED_WS = [5437, 63815, 49750, 56487, 19350, 42410, 6784]g24_tr = {k: st.load_traces(p) for k, p in ARMS_G24.items()}panel_intact = st.differential_features(g24_tr["intact"], k=K_STATE)def gate24_arm(traces_v, panel, n_shuffles=10, window=12, seed_base=0):"""Meme appareil que gate23 ; le panel peut etre tenu fixe (apparie) ou recalcule sur la trace du bras (miroir de gate23).""" panels_v = st.acts_topk_panels(traces_v, panel) contrasts, n_ev, n_cred, states_u = [], 0, 0, set()for s in SETS: acts_s = np.concatenate([panels_v[(s, i)] for i inrange(4)], axis=0) states_s = st.states_from_panel(st.binarize_quantile(acts_s, q=0.5)) states_u.update(states_s.tolist()) conc_s = ws.concentration_series(acts_s, metric="gini") ev = ws.ignition_events(conc_s, threshold=float(np.quantile(conc_s, 0.85)), persistence=3) centers = [e["center"] for e in ev]ifnot centers: contrasts.append(0.0)continue rng = np.random.default_rng((seed_base +hash(s)) % (2**32)) out = ws.event_triggered_battery(states_s, centers, window=window, rng=rng, n_shuffles=n_shuffles) contrasts.append(out["contrast"]) n_ev += out["n_events"] n_cred +=int(round(out["fraction_credited_events"] * out["n_events"]))returndict(mean=float(np.mean(contrasts)), n_events=n_ev, n_credited=n_cred, n_states=len(states_u))def gate24_table(hold_panel): rows = {}for k in ("intact", "ws_clamp", "rp_clamp"): pan = panel_intact if hold_panel else st.differential_features(g24_tr[k], k=K_STATE) rows[k] = gate24_arm(g24_tr[k], pan)return rowsfor label, hold in (("PANEL FIXE (panel intact impose aux 3 bras)", True), ("PANEL PAR BRAS (miroir exact de gate23)", False)): tab = gate24_table(hold)print(f"\nGate 24 — {label}")print(f"{'bras':10s}{'contraste moy':>14s}{'#events':>8s} "f"{'#credites':>10s}{'#etats':>7s}")for k, v in tab.items():print(f"{k:10s}{v['mean']:>+14.4f}{v['n_events']:>8d} "f"{v['n_credited']:>10d}{v['n_states']:>7d}")if hold: g24_fixed = tabelse: g24_perarm = tab# Controle de plomberie : le clamp a-t-il reellement change les activations ?for _k in ("ws_clamp", "rp_clamp"):print(f" {_k}: clamp_ids={g24_tr[_k]['meta'].get('clamp_ids')}")fig, ax = plt.subplots(figsize=(7, 2.6))_arms =list(g24_fixed)ax.bar(_arms, [g24_fixed[k]["mean"] for k in _arms], color=["slategray", "firebrick", "darkseagreen"])ax.axhline(0, color="k", lw=0.8)ax.set_ylabel("contraste moyen")ax.set_title("Gate 24 — contraste event-triggered par bras (panel fixe)")plt.tight_layout()plt.show()
Exercice 1 — le workspace est-il spécifique aux LLMs ?
On a mesuré la concentration/ignition sur S4 (un LLM). La même batterie s’applique à un substrat non-LLM : réutiliser un panneau d’ICT-2 (Gray-Scott, S2) ou ICT-5 (réplicateur, S3) et tester si un sous-ensemble de cellules y présente un fan-out disproportionné et des ignitions.
Indices.# Étape 1 : charger un panneau d’activations d’un substrat morphogénétique (cf. ict/reaction_diffusion.py). # Étape 2 : le formater en \((T,K)\) consommable par concentration_series. # Étape 3 : comparer le Gini du fanout à celui de S4.
# Exercice 1 : workspace sur un substrat non-LLM# TODO etudiant :# - Etape 1 : charger un panneau d'activations d'un substrat morphogenetique (ict.reaction_diffusion).# - Etape 2 : le formater en (T,K) consommable par ws.concentration_series.# - Etape 3 : comparer le Gini du fanout obtenu a celui de S4 (Gate 22).resultats_ex1 =None# TODO etudiantprint("Exercice a completer")
Exercice a completer
Exercice 2 — sensibilité du Gate 23 à la taille de fenêtre
Le contrast du Gate 23 dépend du paramètre window (demi-largeur de la fenêtre event-triggered). Les jambes F et K de emergence_gain sont notoirement bruitées sur les fenêtres courtes (zlib notamment). Tester la robustesse : recalculer le contrast moyen trained pour window ∈ {6, 12, 18, 24} et tracer la courbe.
# Exercice 2 : stabilite du contrast vs window# TODO etudiant :# - Etape 1 : boucler gate23("trained", window=w) pour w in (6, 12, 18, 24).# - Etape 2 : collecter le contrast moyen par w.# - Etape 3 : tracer |contrast moyen| vs window ; le verdict (dissociation) est-il stable ?resultats_ex2 =None# TODO etudiantprint("Exercice a completer")
Exercice a completer
Exercice 3 — stabilité des hubs à la taille du panel
Le Gate 22 utilise \(K{=}64\) features. Les hubs détectés sont-ils stables quand on change cette résolution ? Répéter differential_features(k=K) + workspace_candidates pour \(K \in \{32, 64, 128\}\) et mesurer le recouvrement (Jaccard) des ensembles de candidats workspace.
# Exercice 3 : stabilite des hubs vs taille de panel# TODO etudiant :# - Etape 1 : pour K in (32, 64, 128), calculer panel = st.differential_features(traces["trained"], k=K),# acts continu, lagged_influence, fanout_profile, workspace_candidates(top_fraction=0.1).# - Etape 2 : mesurer le recouvrement (indice de Jaccard) des ensembles d'indices entre K successifs.# - Etape 3 : conclure sur la robustesse de la structure workspace au choix de K.resultats_ex3 =None# TODO etudiantprint("Exercice a completer")
Exercice a completer
Conclusion
Ce notebook confronte, sur le même substrat S4 avec le même appareil, la lecture IIT (complexité intégrée créditée) et la lecture GWT (workspace global / ignition). Le résultat est un négatif honnête :
Gate 22 (partiel) : une structure d’influence temporelle concentrée existe, mais elle n’est pas spécifique au modèle entraîné — le contrôle la montre également, et le seuil de concentration s’avère trop permissif.
Gate 23 (non crédité) : les ignitions ne portent pas, de façon robuste, les pics de complexité intégrée créditée. Le contrast est proche de zéro, dispersé entre jeux, et la fraction d’événements crédités est faible.
La branche dissociation est le verdict observationnel : sur ce substrat, cet opérateur d’accès et cette couche, les deux théories capturent des structures qui ne co-localisent pas. C’est précisément le genre de résultat que la discipline de créditation de la série est faite pour ne pas masquer.
Le Gate 24 (phase 2, GPU) tranchera la question causale : si le clamp sélectif n’effondre pas les gains, la dissociation sera confirmée comme corrélationnelle — une leçon méthodologique de premier ordre sur la différence entre structure observable et mécanisme causal.
Pont causal do-calculus
L’opérateur do de Pearl est ici implicite : le Gate 24 réalise un do(workspace = clampé) — une intervention chirurgicale sur le graphe, contre un do(autant de features aléatoires = clampées). La même armature formelle traverse la série : voir le Notebook-pont — du graphe causal au do-calculus, qui exécute l’échelle de Pearl et les trois règles sur dowhy (identification backdoor/front-door + estimation + réfutation), et relie cette série à Tweety-11, Infer-5 et PyMC-5.
Références
Anthropic, Global Workspace in Claude (2025) — anthropic.com/research/global-workspace. Opérateur d’accès = jacobien des logits ; broadcast mesuré structurellement ; preuve maîtresse = ablation sélective. IIT/Tononi absents ; claim limité à l’access-consciousness.
Baars, B. J. — A Cognitive Theory of Consciousness (Global Workspace Theory).
